注冊 | 登錄讀書好，好讀書，讀好書！

模式識別（第2版）

定　價：￥45.00

作　者：	（希）Sergios Theodoridis，（希）Konstantinos Koutroumbas著；李晶皎等譯；李晶皎譯
出版社：	電子工業(yè)出版社
叢編項：	國外計算機科學教材系列
標　簽：	模式識別

購買這本書可以去

ISBN：	9787505399242	出版時間：	2004-09-01	包裝：	平裝
開本：	26cm	頁數(shù)：	444	字數(shù)：

內(nèi)容簡介

　　本書是在第一版的基礎(chǔ)上，由兩位有十余年教學經(jīng)驗的資深專家完成的。全書共分16章，主要講述了特征選擇和特征生成，具體有小波、分形和獨立成分分析；線性和非線性分類器，具體有貝葉斯分類、多層感知器、決策樹和RBF網(wǎng)絡(luò)；上下文相關(guān)分類，具體有動態(tài)規(guī)劃和隱馬爾可夫模型技術(shù)；新增章節(jié)有支持向量機、可變模式匹配和附錄的約束最優(yōu)化等，且包含圖像分析、文字識別、醫(yī)學診斷、語音識別等應(yīng)用。此外，每章均附有習題。本書可作為高等院校自動化、計算機、電子和通信等專業(yè)研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關(guān)領(lǐng)域的工程技術(shù)人員的參考用書。

作者簡介

　　SergiosTheodoridis，希臘雅典大學信息與通信系通信和信號處理專業(yè)教授，1978年在雅典大學獲信號處理與通信博士學位。在大學從事教學工作25年，主要研究方向為自適應(yīng)信號處理、通信和模式識別。發(fā)表文章100余篇，著作有《自適應(yīng)識別和信號處理算法》、《模式識別》。任IEEE雜志副主編、IEEE雜志編委等。

圖書目錄

第1章  導論
1.1  模式識別的重要性
1.2  特征、特征向量和分類器
1.3  有監(jiān)督和無監(jiān)督模式識別
1.4  本書的內(nèi)容安排
第2章  基于貝葉斯決策理論的分類器
2.1  引言
2.2  貝葉斯決策理論
2.3  判別函數(shù)和決策面
2.4  正態(tài)分布的貝葉斯分類
2.5  未知概率密度函數(shù)的估計
2.6  近鄰規(guī)則
習題
參考文獻
第3章  線性分類器
3.1  引言
3.2  線性判別函數(shù)和決策超平面
3.3  感知器算法
3.4  最小二乘法
3.5  均方估計的回顧
3.6  支持向量機
習題
參考文獻
第4章  非線性分類器
4.1  引言
4.2  異或問題
4.3  兩層感知器
4.4  三層感知器
4.5  基于訓練集準確分類的算法
4.6  反向傳播算法
4.7  反向傳播算法的改進
4.8  代價函數(shù)選擇
4.9  神經(jīng)網(wǎng)絡(luò)的大小選擇
4.10  仿真實例
4.11  具有權(quán)值共享的網(wǎng)絡(luò)
4.12  推廣的線性分類器
4.13  線性二分法中l(wèi)維空間的容量
4.14  多項式分類器
4.15  徑向基函數(shù)網(wǎng)絡(luò)
4.16  通用逼近
4.17  支持向量機：非線性情況
4.18  決策樹
4.19  討論
習題
參考文獻
第5章  特征選擇
5.1  引言
5.2  預(yù)處理
5.3  基于統(tǒng)計假設(shè)檢驗的特征選擇
5.4  接收機操作特性ROC曲線
5.5  類可分性測量
5.6  特征子集的選擇
5.7  最優(yōu)特征生成
5.8  神經(jīng)網(wǎng)絡(luò)和特征生成/選擇
5.9  Vapnik-Chernovenkis學習理論的提示
習題
參考文獻
第6章  特征生成I：線性變換
6.1  引言
6.2  基本向量和圖像
6.3  Karhunen-lo弙e變換
6.4  奇異值分解
6.5  獨立成分分析
6.6  離散傅里葉變換（DFT
6.7  離散正弦和余弦變換
6.8  Hadamard變換
6.9  Haar變換
6.10  回顧Haar展開式
6.11  離散時間小波變換
6.12  多分辨解釋
6.13  小波包
6.14  二維推廣簡介
6.15  應(yīng)用
習題
參考文獻
第7章  特征生成II
7.1  引言
7.2  區(qū)域特征
7.3  字符形狀和大小的特征
7.4  分形概述
習題
參考文獻
第8章  模板匹配
8.1  引言
8.2  基于最優(yōu)路徑搜索技術(shù)的測度
8.3  基于相關(guān)的測度
8.4  可變形的模板模型
習題
參考文獻
第9章  上下文相關(guān)分類
9.1  引言
9.2  貝葉斯分類器
9.3  馬爾可夫鏈模型
9.4  Viterbi算法
9.5  信道均衡
9.6  隱馬爾可夫模型
9.7  用神經(jīng)網(wǎng)絡(luò)訓練馬爾可夫模型
9.8  馬爾可夫隨機域的討論
習題
參考文獻
第10章  系統(tǒng)評價
10.1  引言
10.2  誤差計算方法
10.3  探討有限數(shù)據(jù)集的大小
10.4   醫(yī)學圖像實例研究
習題
參考文獻
第11章  聚類：基本概念
11.1  引言
11.2  近鄰測度
習題
參考文獻
第12章  聚類算法I：順序算法
12.1  引言
12.2  聚類算法的種類
12.3  順序聚類算法
12.4  BSAS的改進
12.5  兩個閾值的順序方案
12.6  改進階段
12.7  神經(jīng)網(wǎng)絡(luò)的實現(xiàn)
習題
參考文獻
第13章  聚類算法II：層次算法
13.1  引言
13.2  合并算法
13.3  Cophenetic矩陣
13.4  分裂算法
13.5  最佳聚類數(shù)的選擇
習題
參考文獻
第14章  聚類算法III：基于函數(shù)最優(yōu)方法
14.1  引言
14.2  混合分解方法
14.3  模糊聚類算法
14.4  可能性聚類
14.5  硬聚類算法
14.6  向量量化
習題
參考文獻
第15章  聚類算法IV
15.1  引言
15.2  基于圖論的聚類算法
15.3  競爭學習算法
15.4  分支和有界聚類算法
15.5  二值形態(tài)聚類算法
15.6  邊界檢測算法
15.7  谷點搜索聚類算法
15.8  通過代價最優(yōu)聚類（回顧）
15.9  用遺傳算法聚類
15.10  其他聚類算法
習題
參考文獻
第16章  聚類有效性
16.1  引言
16.2  假設(shè)檢驗回顧
16.3  聚類有效性中的假設(shè)檢驗
16.4  相關(guān)的準則
16.5  單聚類有效性
16.6  聚類趨勢
習題
參考文獻
附錄A  概率論和統(tǒng)計學的相關(guān)知識
A.1  全概率公式和貝葉斯準則
A.2  均值和方差
A.3  統(tǒng)計的獨立性
A.4  特征函數(shù)
A.5  矩和累積量
A.6  概率密度函數(shù)的Edgeworth展開式
A.7  Kullback-Leibler距離
A.8  多元高斯概率密度函數(shù)或正態(tài)概率密度函數(shù)
A.9  Cramer-Rao下界
A.10  中心極限定理
A.11  c 2分布
A.12  t分布
A.13  Beta分布
A.14  泊松分布
參考文獻
附錄B  線性代數(shù)基礎(chǔ)
B.1  正定矩陣和對稱矩陣
B.2  相關(guān)矩陣的對角化
附錄C  代價函數(shù)的優(yōu)化
C.1  梯度下降算法
C.2  牛頓算法
C.3  共軛梯度法
C.4  對約束問題的優(yōu)化
參考文獻
附錄D  線性系統(tǒng)理論的基本定義
D.1  線性時不變（LTI）系統(tǒng)
D.2  變換函數(shù)
D.3  串聯(lián)和并聯(lián)
D.4  在二維空間上的推廣